MHS-STMA：基于可扩展Transformer多层注意力框架的多模态仇恨言论检测系统

《ACM Transactions on Asian and Low-Resource Language Information Processing》：MHS-STMA: Multimodal Hate Speech Detection via Scalable Transformer-Based Multilevel Attention Framework

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

社交媒体对人们的生活产生了深远影响。近年来，社交媒体上的仇恨言论已成为社会面临的最严重问题之一。文本和图像是当前社交媒体平台上用于创建内容的两种多模态数据。早期的研究大多集中在单一模态分析上。在开展多模态分析时，研究人员往往无法很好地保留每种模态的独特特征。本研究提出了一种可扩展的多模态仇恨内容检测框架，即基于变换器的多层注意力机制（STMA），以解决这些缺陷。该架构的三个主要组成部分分别是视觉注意力机制编码器、文字描述注意力机制编码器以及基于组合注意力的深度学习机制。每个组件都以不同的方式解读多模态输入，并运用不同的注意力机制来识别仇恨内容。本研究使用了三个数据集：MultiOff、Hateful memes和MMHS150K。这些数据集被用来制定仇恨言论分类的评估标准，验证所提架构的有效性，最终分别获得了0.6509、0.8790和0.8076的准确率。这些数值表明，与现有的其他先进方法相比，该方法的性能有了显著提升。其曲线下面积（AUC）值分别为0.6475、0.8376和0.8069，同样显示出相较于以往研究结果的明显进步。实验结果表明，在这三个数据集中，所提出的方法均优于传统基准方法。

AI总结

AI生成的总结（实验性）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章相关性，以及让相关领域的读者理解该研究。它是对作者提供的摘要的补充，而作者提供的摘要仍是论文的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击这里，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化未来的生成版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。